Ray-level deep-learning-based correction for real-time flux density predictions

Diaz Alonso, Sergio und Raeder, Christian und Charly, Allen und Hoffschmidt, Bernhard (2025) Ray-level deep-learning-based correction for real-time flux density predictions. Results in Engineering. Elsevier. ISSN 2590-1230. (eingereichter Beitrag)

PDF - Nur DLR-intern zugänglich - Preprintversion (eingereichte Entwurfsversion)
5MB

elib-URL des Eintrags:

https://elib.dlr.de/218166/

Dokumentart:

Zeitschriftenbeitrag

Titel:

Ray-level deep-learning-based correction for real-time flux density predictions

Autoren:

Autoren	Institution oder E-Mail-Adresse	Autoren-ORCID-iD	ORCID Put Code
Diaz Alonso, Sergio	sergio.diazalonso (at) dlr.de	https://orcid.org/0009-0001-1283-5502	NICHT SPEZIFIZIERT
Raeder, Christian	Christian.Raeder (at) dlr.de	https://orcid.org/0009-0009-4903-6200	NICHT SPEZIFIZIERT
Charly, Allen	RWTH Aachen	NICHT SPEZIFIZIERT	NICHT SPEZIFIZIERT
Hoffschmidt, Bernhard	Bernhard.Hoffschmidt (at) dlr.de	NICHT SPEZIFIZIERT	NICHT SPEZIFIZIERT

Datum:

2025

Erschienen in:

Results in Engineering

Referierte Publikation:

Open Access:

Gold Open Access:

In SCOPUS:

In ISI Web of Science:

Verlag:

Elsevier

ISSN:

2590-1230

Status:

eingereichter Beitrag

Stichwörter:

Concentrating solar technologies (CST); Deep learning; Graphic neural networks (GNN); Flux density predictions; Real-time simulation

HGF - Forschungsbereich:

Energie

HGF - Programm:

Materialien und Technologien für die Energiewende

HGF - Programmthema:

Thermische Hochtemperaturtechnologien

DLR - Schwerpunkt:

Energie

DLR - Forschungsgebiet:

E SW - Solar- und Windenergie

DLR - Teilgebiet (Projekt, Vorhaben):

E - Intelligenter Betrieb

Standort:

Jülich

Institute & Einrichtungen:

Institut für Solarforschung > Konzentrierende Solartechnologien

Hinterlegt von:

Diaz Alonso, Sergio

Hinterlegt am:

30 Okt 2025 09:25

Letzte Änderung:

30 Okt 2025 09:25

Nur für Mitarbeiter des Archivs: Kontrollseite des Eintrags